Опыт сотрудников помогает дообучать корпоративные ИИ

Компании начали применять практический опыт сотрудников для обучения внутренних моделей искусственного интеллекта. В совместном исследовании Bridgewater AIA Labs и Thinking Machines Lab, опубликованном 30 июня, дообучение на данных, размеченных экспертами, показало рост точности и снижение издержек при решении профильных задач.

Исследование проверяло модели на шести задачах, характерных для инвестиционной компании: анализ финансовых новостей, документов центробанков и других материалов, важных для принятия решений. При использовании простых инструкций универсальные модели (Claude Opus 4.6 и 4.8, Gemini 3.1 Pro, GPT‑5.4 и GPT‑5.5) показали точность в диапазоне 45,6–50,1%. Промпты, подготовленные специалистами Bridgewater, подняли точность до 74,3–78,2%. Автоматическая оптимизация инструкций дополнительного улучшения не дала.

После дообучения модели Qwen3‑235B на данных, размеченных экспертами Bridgewater, средняя точность выросла до 84,7%. Разработчики посчитали, что число ошибок уменьшилось на 29,8% по сравнению с лучшей протестированной универсальной моделью, а стоимость обработки задач снизилась в 13,8 раза.

Авторы исследования объясняют подход как настройку отдельных моделей под процессы и требования конкретной организации с использованием разметки и дообучения на внутреннем экспертном опыте. В отчёте указывается, что явные промпты передают только ту часть интуиции, которую эксперт способен выразить словами, и что часть профессиональных суждений труднее формализовать.

В качестве примера практического переноса экспертизы исследование приводит данные автопроизводителя Ford: за последние три года компания привлекла около 350 опытных технических специалистов для проверки конструкций, выявления потенциальных неисправностей, обучения молодых инженеров и улучшения автоматизированных инструментов контроля качества. Чарльз Пун, вице‑президент Ford по разработке аппаратной части, сказал: “Искусственный интеллект — отличный инструмент, но он хорош ровно настолько, насколько хороша информация, используемая для его обучения”.

Исследователи отмечают, что универсальные модели показывают лучшие результаты при наличии больших открытых корпусов и чётких критериев проверки, тогда как задачи, требующие глубокого понимания внутреннего контекста и экспертного суждения, выигрывают от разметки и дообучения на внутренних данных. Внедрение таких решений требует привлечения сотрудников к разметке, создания процессов сохранения знаний и инвестиций в дообучение моделей.